May, 2024

一种综合应用统计和机器学习技术的高人类发展指数国家二氧化碳排放分析方法

PDF
TL;DR二十个高人类发展指数国家的 CO2 排放的决定因素，经济、环境、能源利用和可再生资源等因素的纵向研究，应用统计技术和机器学习方法，预测排放趋势和相似排放模式，为制定更加集中和有效的碳减排政策提供实用洞察。
co2 emissiondeterminantscomparative studymachine learningcarbon reduction policies
发现论文，激发创造
  • 机器学习和深度学习技术在汽车 CO2 排放预测方面的比较研究

    本研究利用人工智能技术，提高先前繁琐的 CO2 排放估算方法，进行算法和模型比较，并利用机器学习、深度学习和集成学习方法预测全球温度上升，以此为基础制定政策，如采用电动汽车减少汽车排放。

    Nov, 2022

  • 二氧化碳（CO₂）的预测、捕获和利用：应用时间序列分析、机器学习和材料设计的集成

    本研究提供了对 2019 年 1 月至 2023 年 2 月的欧洲国家（EU27＆英国，意大利，德国，西班牙）和印度的电力，工业，陆上交通，国内航空和国际航空等行业每日的二氧化碳排放的全面时间序列分析。研究聚焦于确定主要的贡献者，并利用 LSTM 模型进行准确的预测，为政策决策，缓解策略和应对气候变化提供洞察。

    Jul, 2023

  • 基于统计学和机器学习模型的实时日常排放比较研究

    本文选用六种模型（灰色预测模型、ARIMA 模型、SARIMAX 模型、人工神经网络模型、随机森林模型和长短时记忆模型）对中国所有部门（电力、工业、地面交通、住宅、国内航空、国际航空）在 2020 年 1 月 1 日至 2022 年 9 月 30 日的日期间序列数据进行预测，结果表明长短时记忆模型具有最佳的预测性能。

    Feb, 2023

  • 加拿大世界银行数据上的碳排放预测

    本研究使用世界银行数据集，通过采用机器学习技术对未来十年二氧化碳排放情况进行预测，并对决策树、线性回归、随机森林和支持向量机等不同机器学习模型在相似数据集上的预测表现进行比较。

    Nov, 2022

  • 利用机器学习估计企业温室气体排放量

    通过训练机器学习模型进行温室气体排放的估算可以帮助投资者符合环保法规措施和实现净零排放的目标。

    Sep, 2021

  • 利用神经常微分方程通过 Kaya 恒等式进行排放预测

    通过 Kaya 恒等式，我们使用神经 ODE 模型预测与碳排放有关的多个指标在国家层面上的演变，包括人口、人均 GDP、GDP 能源强度和能源的碳强度，并将该模型与基准统计模型 - VAR - 进行了比较，并获得了良好的表现。我们得出结论，这种机器学习方法可用于产生广泛的结果，并为决策者提供有意义的见解。

    Jan, 2022

  • 基于机器学习的碳排放预测与清洁产业转型：四川省案例研究

    通过矩阵归一化，对四川 46 个关键行业 2000-2019 年的能源消耗数据进行预处理，使用 DBSCAN 聚类识别了 16 个特征类别，应用惩罚回归模型进行了能源数据复杂性的过拟合控制、高维数据处理和特征选择，并找出了二氧化碳排放量最高的第二类煤炭产业集群，也发现了与汽油和焦炭相关的排放显著。基于这一研究结果，提出了减排建议包括清洁煤技术、交通管理、钢铁中的煤电替代和行业标准化。总结来说，该研究通过 DBSCAN 和惩罚回归模型等算法确定了行业集群，评估了排放驱动因素，并提出了科学减排策略，以更好地为决策提供支持。

    Sep, 2023

  • 电力市场中 CO2 减排策略的因果分析与机器学习驱动的元学习

    采用因果机器学习（CausalML）统计方法，研究了电力定价政策对家庭部门二氧化碳（CO2）水平的影响。该研究挑战了关于基于激励的电力定价的传统观念，发现采用此类政策可能无意中增加 CO2 强度。此外，研究还整合了基于机器学习的元算法，以增强因果分析的深度。研究对学习者 X、T、S 和 R 进行了比较分析，以确定基于所定义问题的目标和背景细微差别的最优方法。这项研究为关于可持续发展实践的持续对话提供了有价值的见解，强调了在政策制定中考虑意外后果的重要性。

    Mar, 2024

  • Eco2AI: 机器学习模型碳排放跟踪 —— 可持续人工智能的第一步

    该论文介绍了一个名为 eco2AI 的开源工具，可以帮助科学家跟踪深度神经网络模型训练和推理的能量消耗和等效二氧化碳排放，并鼓励研究社区寻找具有较低计算成本的新型人工智能（AI）架构，并建立可持续 AI 和绿色 AI 的路径。

    Jul, 2022

  • 温室气体排放：利用可解释的机器学习估算企业未报告的排放量

    本文将研究基于机器学习的模型，以估算尚未报告温室气体排放的公司的范围 1 和范围 2 的温室气体排放。该模型具有透明度和完全适应性，并且能够为大量公司估算排放，具有良好的出样本全球性能，在按行业、按国家或按营业额桶进行评估时具有好的出样本粒度性能。同时，该模型还比其他提供者的估算结果更准确，并且使用 Shapley 值提供了可解释性工具，用户能够了解每个特定公司的温室气体排放分解因素。

    Dec, 2022